本文共 462 字，大约阅读时间需要 1 分钟。

选择序列模型的原因在于其能有效捕捉和处理顺序数据。序列模型以输入序列的顺序为核心特征，通过模型内部的时间传播机制，将前续时间片的信息与后续时间片关联起来。

序列模型的核心数学表达式可表示为：

$$s_t = \max_{h} (s_{t-1,h} + x_t)$$

$$y_t = W_s s_t + b_s + \epsilon$$

循环神经网络（RNN）以特征向量的时间序列为输入，通过权重参数进行信息传递，最终输出预测值。具体而言，RNN通过向前和向后传播信息，模拟人类语言的左叉右构建机制。

各种循环神经网络主要区别于超参数的选择：

这些模型在语言建模任务中表现尤为突出。例如，词汇序列热度(eos)标记用于标注句子结束弯路。

新序列的采样过程遵循以下步骤：

这种迭代生成策略充分保持了序列的可interpretability。